Maschinelles Lernen
Maschinelles Lernen ist ein Oberbegriff für die "künstliche" Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann nach Beendigung der Lernphase verallgemeinern. D.h. es lernt nicht einfach die Beispiele auswendig, sondern es "erkennt" Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen. Die Gesetzmäßigkeiten werden dabei meist nicht explizit bekannt.Die praktische Umsetzung wird meist mit Hilfe von Computeralgorithmen vorgenommen. Verschiedene Algorithmen aus dem Bereich des maschinellen Lernens lassen sich grob nach diesem Schema klassifizieren:
- supervised learning (überwachtes Lernen): der Algorithmus lernt eine Funktion aus gegebenen Paaren von Ein- und Ausgaben. Dabei stellt während des Lernens ein "Lehrer" den korrekten Funktionswert zu einer Eingabe bereit. Ein Teilgebiet des überwachten Lernens ist die Maschinelle Klassifikation. Anwendungsbeispiel: Handschrifterkennung.
- unsupervised learning (unüberwachtes Lernen) der Algorithmus erzeugt für eine gegebene Menge von Eingaben ein Modell, das die Eingaben beschreibt und Vorhersagen ermöglicht. So lernt beispielsweise der Forward-Backward-Algorithmus, den man mit den Buchstaben eines Textes füttert, automatisch zwischen Vokalen und Konsonanten oder auch verschiedenen Wortarten zu unterscheiden, ohne dass diese in der Eingabe gekennzeichnet sind (siehe auch HMM).
- reinforcement learning (Lernen durch Verstärkung): der Algorithmus lernt durch Belohnung und Bestrafung eine policy, also eine Taktik, wie in potentiell auftretenden Situationen zu handeln ist, um den Nutzen des Agenten (d.h. des Systemes, zu dem die Lernkomponente gehört) zu maximieren.